Машинные прогнозы
Машинное обучение – один из разделов искусственного интеллекта, который предполагает построение алгоритмов, способных обучаться при решении сходных задач, – применялось для экономических прогнозов еще в 1990-е гг. В современных исследованиях модели на основе машинного обучения все активнее используются для предсказания финансовых кризисов: экономисты тестируют их на исторических данных, чтобы удостовериться, что модель своевременно покажет вероятное наступление кризиса, основываясь на различных макроэкономических и финансовых показателях.
В большинстве случаев модели, использующие машинное обучение, оказываются точнее традиционных регрессий, которые широко используются для оценки вероятности кризисов, пишут авторы недавнего исследования, опубликованного Банком Англии. Аналитики Банка Англии совместно с коллегами из ЕЦБ и Университета Бата разработали и собственные модели, применяющие пять различных методов машинного обучения, точность которых также превзошла результаты традиционной статистической модели. А самая успешная модель, построенная авторами, корректно предсказала глобальный финансовый кризис 2008 г.
Для тестирования своих моделей авторы работы использовали данные 17 развитых экономик за 1870–2016 гг. Алгоритмы должны были предсказать кризис за год-два до его наступления: такой срок потребовался бы регуляторам, чтобы принять превентивные меры и смягчить будущие последствия, уточняют авторы.
Самая точная модель предсказывала кризисы с точностью около 80%. Из 49 кризисов за рассматриваемый период этот алгоритм пропустил всего шесть, а еще в шести случаях были допущены неточности в сроках, при этом доля «ложных срабатываний» составила около 20% прогнозов (хотя авторы считают, что необязательно речь идет только об ошибках – в некоторых случаях растущие риски в экономике, замеченные моделью, в реальности могли быть, например, устранены благодаря вмешательству властей).
Одна из проблем моделей, использующих методы машинного обучения, состоит в том, что они подобны «черному ящику»: сами разработчики модели не могут знать, как именно искусственный интеллект пришел к тому или иному выводу. Это мешает применять выводы моделей, основанных на машинном обучении, на практике, объясняют авторы: регуляторам необходимо публично обосновывать свои решения, и они не могут сослаться на загадочный «черный ящик».
Аналитики Банка Англии и их коллеги отмечают, что их исследование, возможно, первое, где проблема «черного ящика» решена. Им удалось оценить вклад каждой из переменных в тот или иной прогноз и таким образом выделить ключевые индикаторы для каждой из моделей. Выяснилось, что в проанализированных авторами моделях, использующих различные методы машинного обучения, наиболее значимыми показателями, позволяющими предсказать наступление кризиса, были темпы роста кредитного портфеля (оценивались кредиты нефинансовому сектору в процентах ВВП) и наклон кривой доходности.
Наклон кривой доходности отражает разницу между доходностями краткосрочных и длинных бумаг. Обычно доходность последних выше, ведь, ссужая деньги на более длительный срок, инвесторы требуют и большей компенсации за риск. Но когда краткосрочный долг становится дороже долгосрочного, это отражает обеспокоенность инвесторов по поводу перспектив экономического роста. В такой ситуации кривая меняет наклон: так, инверсия кривых доходности облигаций Казначейства США – один из популярных опережающих индикаторов рецессии в американской экономике.
Как отмечают аналитики Банка Англии, кризисы, как правило, сопровождаются рецессиями или наступают после них, но такое происходит не всегда. Их расчеты свидетельствуют, что инвертированная кривая доходности может служить индикатором и тех кризисов, которым не предшествует рецессия (об этом ранее свидетельствовали и другие исследования). Проанализированные авторами модели, использующие машинное обучение, показали, что инверсия кривой на национальном уровне может быть значимым предвестником кризиса, и дело не только в оценке инвесторами перспектив экономики. Чем меньше разница между доходностями коротких и длинных бумаг (то есть чем более плоской становится кривая), тем ниже чистая процентная маржа банков. Прибыль в секторе падает, и он становится менее устойчивым. Кроме того, может сократиться предложение кредита, а это уже скажется на экономической активности.
Таким образом, исследование Банка Англии с использованием машинного обучения выявило два главных предвестника кризиса на национальном уровне: продолжительный рост кредитного портфеля и плоская или инвертированная кривая доходности (особенно в ситуации низких номинальных ставок). Но значимыми оказались и аналогичные глобальные индикаторы (авторы формируют агрегированные показатели для 17 анализируемых ими экономик). Одно из преимуществ моделей с машинным обучением перед традиционными – в том, что они более гибкие и позволяют обнаружить ранее неизвестные нелинейные зависимости, пишут авторы, а это особенно важно для систем раннего предупреждения кризисов. Так, модели авторов показали, что если кредитный портфель в экономике активно растет на фоне плоской или инвертированной глобальной кривой доходности, то риск кризиса существенно возрастает.
Прогнозирование кризисов осложняется тем, что исторических данных, как правило, недостаточно, чтобы точно оценивать вероятность новых кризисов на их основе, – тем важнее развивать инструменты анализа имеющейся информации, в том числе за счет машинного обучения, заключают авторы. Впрочем, все это обеспечивает лишь частичную защиту – в истории достаточно примеров того, как игнорируют предупреждения и обходят запреты. Так, профессор Чикагского университета Рагурам Раджан вспоминал, что когда в 2005 г., будучи ведущим экономистом Всемирного банка, представил исследование, предупредившее об угрозе кризиса на фоне мании вокруг производных финансовых инструментов, то столкнулся с критикой коллег: «Я чувствовал себя как ранний христианин, оказавшийся в загоне с голодными львами».